Méritos y barreras: ¿Funciona la meritocracia educativa en el Gran Santiago?

Un análisis multinivel de la CASEN 2022


Katherine Aravena Herrera, Paula Cerda Torres & Sebastián Monreal Villarroel

Análisis de datos multinivel - 2025

Departamento de Sociología, Universidad de Chile

Santiago, 2025

Github repo

Introducción

Problema / Objeto de estudio:

La desigualdad educativa persiste como una de las principales barreras para la movilidad social en Chile, especialmente en la Región Metropolitana de Santiago (Ministerio de Educación, 2023; OECD, 2021). Aunque el acceso a la educación básica y media se ha expandido, las diferencias en años de escolaridad siguen reproduciendo clivajes de clase, género y territorio (Agencia de Calidad de la Educación, 2015; Bellei, Contreras & Valenzuela, 2008).

A raiz de lo anterior, el objetivo del estudio es analizar cómo la interacción entre recursos familiares (nivel socioeconómico, participación social) y condiciones comunales (tasa de empleo, oferta educativa, IDH) explica las diferencias en años de escolaridad en el Gran Santiago mediante un enfoque multinivel (Finch et al., 2019; Romero et al., 2020).

Desde la sociología de la educación, esta persistencia se explica mediante:

  1. Reproducción de capitales familiares — la escuela convierte de forma desigual el capital económico, cultural y social de origen en logro académico, reforzando la ventaja heredada (Bourdieu & Passeron, 2001; Bellei et al., 2008).

  2. Lógica meritocrática — los criterios de evaluación escolar naturalizan esas ventajas, atribuyendo el éxito exclusivamente al mérito individual (Ministerio de Educación, 2023; OECD, 2021).

  3. Efectos de contexto — las oportunidades educativas están moduladas por la estructura territorial (segregación residencial, oferta escolar, dinamismo laboral), que amplifica o atenúa los recursos familiares (Soler & Fernández, 2021; Canales & Ibarrola, 2022; Villalobos & Mardones, 2022).

  • Factores asociados L1: Nivel socioeconómico del hogar (Arita et al., 2015; Bellei et al., 2008), Género (OECD, 2021; Peláez & Rodríguez, 2020)y Participación social familiar (Bullones, 2022; Canales & Ibarrola, 2022).

    Estos factores se entienden como recursos o desventajas que configuran las trayectorias escolares desde el origen social, afectando tanto el acceso como la permanencia y el logro educativo.

  • Factores asociados L2: Tasa de empleo comunal (Villalobos & Mardones, 2022), IDH comunal (Andréu, 2013; Giménez, 2004) y oferta educativa comunal (Rivas & Terra, 2024; Soler & Fernández, 2021).

    Estas variables expresan las condiciones estructurales del territorio, influyendo en las oportunidades educativas disponibles. Se incorporan para analizar cómo el entorno puede amplificar o mitigar las desigualdades preexistentes, más allá de las características individuales.

¿En qué medida los distintos factores de socialización —tanto familiares como territoriales— influyen en los años de escolaridad de los habitantes del Gran Santiago?

Hipótesis:

Nivel 1:

\(H_1\): Las mujeres completan, en promedio, menos años de escolaridad que los hombres.

\(H_2\): Cuanto más alto es el nivel socioeconómico (NSE) del hogar, más años de escolaridad alcanza el estudiante.

\(H_3\): Provenir de un hogar con participación social aumenta los años de escolaridad frente a hogares carentes en redes comunitarias.

Nivel 2:

\(H_4\): Las comunas con mayor tasa de empleo presentan una escolaridad promedio más alta.

\(H_5\): Las comunas con mayor proporción de escuelas por 10.000 habitantes ofrecen más oportunidades y muestran mayores años de escolaridad.

\(H_6\): Las comunas que presentan un mayor IDH presentan una escolaridad promedio más alta.

Interacción entre niveles:

\(H_7\): El efecto positivo del nivel socioeconómico (NSE) sobre la escolaridad es más intenso en comunas con alta tasa de empleo; un mercado laboral dinámico potencia los recursos familiares.

\(H_8\): El efecto positivo del nivel socioeconómico (NSE) sobre la escolaridad es más intenso en comunas con un alto IDH

Modelo teórico

Metodología

Datos

Se utilizó la base de datos de la CASEN 2022, que tiene un diseño muestral probabilístico, estratificado por región, comuna y área urbana/rural.

Para el análisis se trabajó con 22.706 individuos (nivel 1) de 18 o más años, anidados dentro de las 32 comunas del Gran Santiago (nivel 2), con un promedio de 702 casos por comuna.

Variables

Estadísticos descriptivos – Nivel 1 (individual)
N Mín. P25 Mediana Media P75 Máx. SD
Años de escolaridad 22,706 0.00 11.00 12.00 12.60 16.00 29.00 4.11
Mujer (1 = Sí) 22,706 0.00 0.00 1.00 0.54 1.00 1.00 0.50
Nivel socioeconómico (NSE) 22,706 1.00 2.00 5.00 4.56 6.00 7.00 2.01
Participación social (n.º) 22,706 0.00 0.00 0.00 0.13 0.00 1.00 0.33
Estadísticos descriptivos – Nivel 2 (comunal)
N Mín. P25 Mediana Media P75 Máx. SD
Escuelas por 10 000 hab. 32 1.99 2.97 3.90 3.87 4.77 6.11 1.06
Tasa de empleo comunal 32 0.46 0.51 0.54 0.55 0.58 0.70 0.06
IDH comunal 32 0.50 0.58 0.64 0.67 0.73 0.96 0.13

Métodos

Se utilizó una metodología de análisis estadístico multinivel. De este modo se puede observar de manera más precisa cómo las trayectorias educativas se configuran por la interacción entre factores individuales y contextuales.

El análisis de datos se realizó en Rstudio, utilizando lmer para la construcción de los modelos, sjPlot para la visualización de los datos y summary tools para generar descriptivos univariados

Se estimaron un total de 7 modelos, siguientes modelos:

Modelos estimados

Modelo 0: nulo

\[ \text{esc}_{ij} \;=\; \gamma_{00} + u_{0\text{comuna}} + r_{ij} \]

Modelo 1: variables independientes individuales

\[ \begin{aligned} \text{esc}_{ij} &= \gamma_{00} \\ &+ \gamma_{01}\,\text{female} \\ &+ \gamma_{02}\,\text{nse_cmc} \\ &+ \gamma_{03}\,\text{part_social_num} \\ &+ u_{0\text{comuna}} + r_{ij} \end{aligned} \]

Modelos

Modelo 2: variables independientes contextuales

\[ \begin{aligned} \text{esc}_{ij} &= \gamma_{00} \\ &+ \gamma_{01}\,\text{prop_empleo_gmc} \\ &+ \gamma_{02}\,\text{prop_pob_escn_gmc} \\ &+ \gamma_{03}\,\text{idh_gmc} \\ &+ u_{0\text{comuna}} + r_{ij} \end{aligned} \]

Modelo 3: variables independientes individuales y contextuales

\[ \begin{aligned} \text{esc}_{ij} &= \gamma_{00} \\ &+ \gamma_{01}\,\text{female} + \gamma_{02}\,\text{nse_cmc} + \gamma_{03}\,\text{part_social_num} \\ &+ \gamma_{04}\,\text{prop_empleo_gmc} + \gamma_{05}\,\text{prop_pob_esc_gmc} + \gamma_{06}\,\text{idh_gmc} \\ &+ u_{0j} + r_{ij} \end{aligned} \]

Modelos

Modelo 4: intercepto y pendiente aleatoria de NSE

\[ \ \begin{aligned} \text{esc}_{ij} =\;& \gamma_{00} + \gamma_{01}\,\text{female} + \gamma_{02}\,\text{nse_cmc} + \gamma_{03}\,\text{part_social_num} \\[4pt] &+ \gamma_{04}\,\text{prop_empleo_gmc} + \gamma_{05}\,\text{prop_pob_esc_gmc} + \gamma_{06}\,\text{idh_gmc} \\[4pt] &+ u_{0j} + u_{1j}\,\text{nse_cmc} + r_{ij} \end{aligned} \ \]

Modelo 5: interacción entre NSE y empleo

\[ \ \begin{aligned} \text{esc}_{ij} =\;& \gamma_{00} + \gamma_{01}\,\text{female} + \gamma_{02}\,\text{nse_cmc} + \gamma_{03}\,\text{part_social_num} \\[4pt] &+ \gamma_{04}\,\text{prop_empleo_gmc} + \gamma_{05}\,\text{prop_pob_esc_gmc} + \gamma_{06}\,\text{idh_gmc} \\[4pt] &+ \gamma_{07}\bigl(\text{nse_cmc}\,\times\,\text{prop_empleo_gmc}\bigr) \\[4pt] &+ u_{0j} + u_{1j}\,\text{nse_cmc} + r_{ij} \end{aligned} \ \]

Modelos

Modelo 6: interacción entre NSE y IDH

\[ \ \begin{aligned} \text{esc}_{ij} =\;& \gamma_{00} + \gamma_{01}\,\text{female} + \gamma_{02}\,\text{nse_cmc} + \gamma_{03}\,\text{part_social_num} \\[4pt] &+ \gamma_{04}\,\text{prop_empleo_gmc} + \gamma_{05}\,\text{prop_pob_esc_gmc} + \gamma_{06}\,\text{idh_gmc} \\[4pt] &+ \gamma_{07}\bigl(\text{nse_cmc}\,\times\,\text{idh_gmc}\bigr) \\[4pt] &+ u_{0j} + u_{1j}\,\text{nse_cmc} + r_{ij} \end{aligned} \ \]

Resultados

Descriptivos

Scatterplot:

Relación entre promedio comunal de escolaridad y tasa de empleo

Scatterplot:

Relación entre promedio comunal de escolaridad y IDH

Modelos

  Nulo (ICC) L1 (centrado) L2 (centrado) L1 + L2 + Pend. NSE + Interacción H7 + Interacción H8
Predictors Estimates std. Error Estimates std. Error Estimates std. Error Estimates std. Error Estimates std. Error Estimates std. Error Estimates std. Error
(Intercept) 12.320 *** 0.297 12.440 *** 0.295 12.562 *** 0.096 12.680 *** 0.099 12.691 *** 0.099 12.689 *** 0.099 12.682 *** 0.098
female -0.398 *** 0.049 -0.397 *** 0.049 -0.398 *** 0.049 -0.398 *** 0.049 -0.398 *** 0.049
nse cmc 0.397 *** 0.015 0.397 *** 0.015 0.421 *** 0.058 0.438 *** 0.061 0.478 *** 0.053
part social num 0.744 *** 0.074 0.747 *** 0.074 0.730 *** 0.073 0.730 *** 0.073 0.731 *** 0.073
prop empleo gmc 10.325 *** 1.866 10.188 *** 1.834 10.162 *** 1.686 9.711 *** 1.809 10.226 *** 1.776
prop pob esc gmc 0.124 0.109 0.123 0.107 0.151 0.095 0.147 0.097 0.132 0.102
idh gmc 9.840 *** 0.920 9.759 *** 0.904 10.394 *** 0.822 10.368 *** 0.836 9.788 *** 0.892
nse cmc × prop empleo gmc 0.869 1.092
nse cmc × idh gmc 1.169 ** 0.433
Random Effects
σ2 14.10 13.56 14.10 13.56 13.37 13.37 13.38
τ00 2.80 comuna 2.74 comuna 0.26 comuna 0.25 comuna 0.26 comuna 0.26 comuna 0.25 comuna
τ11         0.08 comuna.nse_cmc 0.08 comuna.nse_cmc 0.06 comuna.nse_cmc
ρ01         -0.52 comuna -0.49 comuna -0.34 comuna
ICC 0.17 0.17 0.02 0.02 0.03 0.03 0.03
N 32 comuna 32 comuna 32 comuna 32 comuna 32 comuna 32 comuna 32 comuna
Observations 22706 22706 22706 22706 22706 22706 22706
Marginal R2 / Conditional R2 0.000 / 0.166 0.032 / 0.195 0.144 / 0.159 0.176 / 0.191 0.187 / 0.215 0.184 / 0.212 0.182 / 0.206
* p<0.05   ** p<0.01   *** p<0.001

Test de devianza

¿La pendiente aleatoria de NSE mejora el ajuste?
Likelihood-ratio test
modelo npar AIC BIC logLik LRT gl p
sin pendiente 9 123730.6 123802.8 -61856.28 NA NA NA
con pendiente 11 123478.4 123566.8 -61728.22 NA NA NA
LRT NA NA NA NA 256.103 2 0
χ² significativo (p < 0.001) ⇒ conviene dejar la pendiente de NSE como aleatoria

Interacción H7

Figure 1

La interacción muestra que el efecto del nivel socioeconómico sobre la escolaridad varía según la tasa de empleo comunal. En comunas con más empleo (azul), el NSE tiene un impacto mayor sobre los años de escolaridad, mientras que en comunas con menos empleo (roja), su efecto es más débil. Esto confirma que los recursos familiares rinden más en contextos laborales favorables, ampliando así las desigualdades educativas.

Interacción H8

Figure 2

La interacción muestra que el efecto del NSE sobre la escolaridad varía según el IDH comunal. En comunas con un mayor IDH (azul), el NSE tiene un impacto mayor sobre los años de escolaridad, mientras que en comunas con un menor IDH (roja), su efecto es más débil. Suguiriendo que que el capital económico tiene un mayor impacto educativo en contextos comunales más desarrollados, donde pueden existen más recursos institucionales para transformar las ventajas familiares en logros escolares.

Observaciones influyentes

  Modelo original Sin comunas influyentes
Predictors Estimates Estimates
(Intercept) 12.691 *** 12.769 ***
female -0.398 *** -0.426 ***
nse cmc 0.421 *** 0.417 ***
part social num 0.730 *** 0.690 ***
prop empleo gmc 10.162 *** 9.000 ***
prop pob esc gmc 0.151 0.145 *
idh gmc 10.394 *** 11.375 ***
Random Effects
σ2 13.37 13.43
τ00 0.26 comuna 0.15 comuna
τ11 0.08 comuna.nse_cmc 0.08 comuna.nse_cmc
ρ01 -0.52 comuna -0.66 comuna
ICC 0.03 0.03
N 32 comuna 30 comuna
Observations 22706 20663
Marginal R2 / Conditional R2 0.187 / 0.215 0.201 / 0.222
* p<0.05   ** p<0.01   *** p<0.001

Discusión

Conclusiones

  • Aporte metodológico: El modelo multinivel distinguió con precisión la varianza entre y dentro de comunas, revelando interacciones ocultas.

  • Limitaciones: Falta información sobre calidad escolar y el diseño transversal no permite causalidad.

  • Próximos pasos: Extender el análisis a otras regiones y sumar datos longitudinales y de calidad educativa.

  • Política pública: Combinar desarrollo territorial con apoyo al capital familiar para reducir brechas escolares.

Referencias

Agencia de Calidad de la Educación. (2015, agosto). Evolución de las brechas socioeconómicas de rendimiento en pruebas SIMCE. División de Estudios, Agencia de Calidad de la Educación.

Andréu, J. (2011). El análisis multinivel: una revisión actualizada en el ámbito sociológico. Metodología de Encuestas, 13, 161–176.

Arita, M., Romano, A., García, A., & Félix, F. (2015). Condiciones de vida y bienestar subjetivo en Culiacán, México. Universidad Autónoma de Sinaloa.

Bellei Carvacho, C., Contreras, D., & Valenzuela Barros, J. P. (2008). La agenda pendiente en educación. Profesores, administradores y recursos: propuestas para la nueva arquitectura de la educación chilena. Universidad de Chile.

Bourdieu, P., & Passeron, J. C. (2001). La reproducción. Elementos para una teoría del sistema de enseñanza. Editorial Laia.

Bullones, E. (2022). Gestión educativa en valores para la paz comunitaria. Aula Virtual, 3(6), 150–160.

Canales, A., & de Ibarrola, M. (2022). La segmentación del sistema escolar mexicano: un análisis territorial. Revista Mexicana de Investigación Educativa, 27(94), 1035–1060.

Cimadamore, A. D., & Cattani, A. D. (Coords.). (2008). Producción de pobreza y desigualdad en América Latina. Siglo del Hombre Editores.

Finch, W. H., Bolin, J. E., & Kelley, K. (2019). Multilevel modeling using R. Chapman and Hall/CRC.

Instituto Nacional de Evaluación Educativa. (2011). PIRLS–TIMSS 2011. Estudio Internacional de Progreso en Comprensión Lectora, Matemáticas y Ciencias. Volumen I: Informe español. IEA.https://www.mecd.gob.es/inee

Ministerio de Educación de Chile. (2023). Informe de resultados SIMCE y brechas por grupo socioeconómico. Santiago: MINEDUC.

Ministerio de Desarrollo Social y Familia. (2022). Encuesta de Caracterización Socioeconómica Nacional (Casen) 2022. Gobierno de Chile.

OECD. (2021). Education at a Glance: OECD Indicators. OECD Publishing.https://doi.org/10.1787/b35a14e5-en

Peláez González, C., & Rodríguez, S. A. (2020). Género, trabajo y educación: Diferencias entre hombres y mujeres en la entrada al primer empleo. Revista Interdisciplinaria de Estudios de Género de El Colegio de México, 6, e494.

Rivas Espinosa, A., & Terra Polanco, V. (2024). Percepciones de niñas y niños sobre su hábitat en contextos urbanos informales. Sociológica (Madrid), 39(1).

Romero, E., Alcaraz, S., & Hernández, M. (2020). Desigualdades educativas y respuesta institucional: Una investigación desde la perspectiva territorial. Profesorado, Revista de Currículum y Formación del Profesorado, 24(1), 1–20.

Soler Mata, J., & Fernández León, R. (2021). La evaluación educativa en España: Tensiones entre la evaluación estandarizada y la evaluación formativa. Revista de Educación, 393, 245–271.

Villalobos, C., & Mardones, S. P. (2022). ¿Quién, cómo y de qué se investiga en un sistema educativo mercantilizado? Un meta-análisis de la investigación sobre política educativa en el Chile post-dictadura (1990–2019). Education Policy Analysis Archives, 30, 160.